Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Giới thiệu
Đăng ký
Đăng nhập
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Thông tin
Điều khoản sử dụng
Quy định bảo mật
Quy chế hoạt động
Chính sách bản quyền
Giới thiệu
Đăng ký
Đăng nhập
0
Trang chủ
Luận Văn - Báo Cáo
Báo cáo khoa học
Báo cáo khoa học: "Distributional Similarity Models: Clustering Neighbors"
Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "Distributional Similarity Models: Clustering Neighbors"
Lệ Băng
85
8
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
Distributional similarity is a useful notion in estimating the probabilities of rare joint events. It has been employed both to cluster events according to their distributions, and to directly compute averages of estimates for distributional neighbors of a target event. Here, we examine the tradeoffs between model size and prediction accuracy for cluster-based and nearest neighbors distributional models of unseen events. | Distributional Similarity Models Clustering vs. Nearest Neighbors Lillian Lee Department of Computer Science Cornell University Ithaca NY 14853-7501 lleeỗcs.Cornell.edu Fernando Pereira A247 AT T Labs - Research 180 Park Avenue Florham Park NJ 07932-0971 pereiraSresearch.att.com Abstract Distributional similarity is a useful notion in estimating the probabilities of rare joint events. It has been employed both to cluster events according to their distributions and to directly compute averages of estimates for distributional neighbors of a target event. Here we examine the tradeoffs between model size and prediction accuracy for cluster-based and nearest neighbors distributional models of unseen events. 1 Introduction In many statistical language-processing problems it is necessary to estimate the joint probability or cooccurrence probability of events drawn from two prescribed sets. Data sparseness can make such estimates difficult when the events under consideration are sufficiently fine-grained for instance when they correspond to occurrences of specific words in given configurations. In particular in many practical modeling tasks a substantial fraction of the cooccurrences of interest have never been seen in training data. In most previous work Jelinek and Mercer 1980 Katz 1987 Church and Gale 1991 Ney and Essen 1993 this lack of information is addressed by reserving some mass in the probability model for unseen joint events and then assigning that mass to those events as a function of their marginal frequencies. An intuitively appealing alternative to relying on marginal frequencies alone is to combine estimates of the probabilities of similar events. More specifically a joint event x y would be considered similar to another a y if the distributions of Y given X and Y given x the cooccurrence distributions of X and xr meet an appropriate definition of distributional similarity. For example one can infer that the bigram after ACL-99 is plausible even if it has .
TÀI LIỆU LIÊN QUAN
Báo cáo khoa học: "Measures of Distributional Similarity"
Báo cáo khoa học: "Verb Classification using Distributional Similarity in Syntactic and Semantic Structures"
Báo cáo khoa học: "Distributional Similarity vs. PU Learning for Entity Set Expansion"
Báo cáo khoa học: "Reducing semantic drift with bagging and distributional similarity"
Báo cáo khoa học: "Directional Distributional Similarity for Lexical Expansion"
Báo cáo khoa học: "Syntax is from Mars while Semantics from Venus! Insights from Spectral Analysis of Distributional Similarity Networks"
Báo cáo khoa học: "Scaling Distributional Similarity to Large Corpora"
Báo cáo khoa học: "Exploring Distributional Similarity Based Models for Query Spelling Correction"
Báo cáo khoa học: "Integrating Pattern-based and Distributional Similarity Methods for Lexical Entailment Acquisition"
Báo cáo khoa học: "Finding Synonyms Using Automatic Word Alignment and Measures of Distributional Similarity"
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.